中国科技期刊卓越行动计划入选期刊
研究背景
随着无线移动通信等无线电系统的快速发展,天线日趋复杂,设计需要巨大的计算开销。天线设计和敏感性分析等问题都需要采用优化算法,也就必须频繁调用天线的“参数与响应函数”。如果全部采用全波电磁仿真获得天线响应,巨大的计算量将难以承受。本刊2020年第4期的封面文章刊登了东南大学毫米波国家重点实验室王海明教授等人的最新综述文章Machine-Learning-Assisted Optimization and Its Application to Antenna Designs: Opportunities and Challenges,为这一难题的解答指出了一个可行的方向。机器学习辅助优化(Machine-Learning-Assisted-Optimization,MLAO)能够显著缓解全波电磁仿真带来的计算压力,从而加速天线设计收敛。
机器学习辅助优化的框架
MLAO利用机器学习方法来获得原本需要高昂代价才能得到的模型特征,由此建立低复杂度的代理模型预测潜在更优的样本点处的模型响应,从而加速设计收敛。图1给出了MLAO算法流程。MLAO利用学习得到的计算复杂度低的代理模型取代了传统优化方法对全波电磁仿真的直接调用,从而大大加速了优化流程。通过对优化算法所得结果的预测值进行全波电磁仿真验证并在线更新代理模型,在迭代过程中不断提升代理模型的预测精度。对于MLAO,可以从不同的角度进行分类,包括是否对代理模型进行在线更新、利用全局或是本地的优化方法、适用于单目标或多目标的优化任务等。通过引入包括多精度MLAO方法和并行优化技术,能够进一步加速天线设计收敛。MLAO也可以